近日，健康有益發布了與京東、科大訊飛等多家企業的合作信息，將整合在健康管理、智能電商平臺、人工智能等方面的資源和技術優勢，合力打造多場景下的健康生活，推動精準健康產業的發展。

　　健康有益成立于2014年9月。創立三年來，利用人工智能與生命科學等技術，專注于探索和創新健康領域的研究實踐、應用落地與解決方案，打造AI精準健康管理開放平臺。希望人們科學管理生命，重健康而輕醫療，通過飲食、運動、生活方式及心理調節即能實現健康生活，降低疾病發生的可能性。

　　在探索過程中，健康有益團隊發現健康管理領域面臨很多難題，如健康信息的收集難度較大、個性化健康管理難實現等。針對這些行業難題，通過建立自然語言處理組、機器視覺組、強化深度學習組來綜合解決，健康有益目前已經取得了一些成果。

　　自然語言處理：

　　自然語言處理領域主要包含開放域聊天對話技術、基于任務的單輪多輪對話技術、機器翻譯技術和輿情監控技術等。健康有益研發人員在健康管理領域主要是利用基于任務的單輪、多輪對話技術，基于該技術實現用戶的健康語音記錄和健康咨詢服務。

　　基于該技術，團隊構建了基于健康管理任務驅動的對話框架，具體如下：

　　第一步語音識別，主要通過深度學習LSTM將聲音轉化成文字。

　　第二步自然語言理解，這個部分簡單來講就是將一段文字進行結構化表示，所謂結構化表示就是建立slot-value pair的過程。例如“我將在11點30分吃午飯”。這個句子中就包含了兩個slot, 分別是時間和動作。時間對應的value是11點30分，動作對應的value是吃午飯。

　　第三步對話管理，這個部分主要實現的是意圖識別，以及某個意圖所對應的對話行為。狀態跟蹤就是意圖的識別，slot里面的value有可能對應的是一個意圖。比如“我想吃飯”，吃飯作為value,對應的意圖有可能是希望查詢周邊的用餐信息，也有可能是希望直接推薦餐單進行訂餐，對應value就會有多個意圖。而每個意圖又對應了產生的動作。查詢周邊的意圖對應的動作就是推薦周邊的餐館信息，訂餐意圖對應的動作就是提供訂餐功能。那么什么時候用戶會選擇查詢，什么時候用戶會選擇訂餐，如何確定，這就是對話策略。

　　第四步，確定好應對策略后，結合數據庫中的知識，自動生成相應的對話，與用戶進行交互，這就是自然語言生成。

　　第五步，語音合成，就是將生成的自然語言文字，轉化成語音播放出來。

　　以上就是健康管理任務驅動的完整框架。

　　機器視覺：

　　機器視覺主要包含了圖像、視頻識別、三維重建、運動檢測等相關技術。健康有益團隊目前主要采用了圖像識別技術和三維重建技術，圖像識別技術主要用于食物識別。

　　食物識別主要采用CNN中的ResNet(殘差網絡)，主要分為卷積層，池化層，全連接層，分類層。卷積層主要實現的是特征提取，通過不同的卷積核來提取圖片的不同緯度的特征。池化層主要解決的是特征向量過多導致過擬合的問題，所以要進行降維，降維的原則是將高頻分量保留，低頻分量刪除。經過池化后的特征向量，再進行第二次，第三次，第N次的卷積和池化，最后得到的特征向量，經過全連接層和分類層，進行特征的識別。分類層主要是對圖片進行分類的方法，目前主要包含softmax和SVM兩種，用的最多的是softmax。

　　知識圖譜：

　　知識圖譜主要分為四步，分別是信息抽取，知識融合，知識加工，知識更新。

信息抽�。褐饕�是根據健康領域專家提供的專業信息進行分析，抽取其中的實體信息、關系信息、屬性信息。實體抽取，即從專業信息中集中自動識別出命名健康領域的專業實體;關系抽取，即為了得到語義信息，還需要從相關語料中提取出實體之間的關聯關系，將實體通過關系聯系起來;屬性抽取，即屬性抽取的目標是從不同信息源中采集特定實體的屬性信息。

　　知識融合：數據層的融合包括實體的指稱、屬性關系以及所屬類別等。主要的問題是如何避免實例以及關系的沖突問題造成不必要的冗余。

　　知識加工：首先對信息進行本體構建，也就是模型建立。利用這些本體，結合實體關系進行相關知識推理，以此發現新的信息關系，以擴展和修正知識圖譜的結構和內容。

　　知識更新：人類所擁有的信息和知識量都是時間的單調遞增函數，因此知識圖譜的內容也需要與時俱進。其構建過程是一個不斷迭代更新的過程。

　　當前人工智能在健康領域已經全線爆發，但醫療占據仍較大比例。健康有益作為首批將人工智能與健康管理進行結合的科技公司，探索創新人類個性化健康管理的新方式。未來健康有益還會與更多的行業巨頭企業進行合作，通過技術與健康管理的深度融合，幫助人類更好地量化生命。